时速40公里的无人机并不少见。但是你可以用这样的速度穿梭在密林之中，还是那种“自己走路”的，你见过吗？如此高超的避障飞行姿势，不是人类靠手柄就能做到的，而是要靠无人机的“自我管理意识”。就算是遇到移动的障碍物，只要比这架无人机慢一点，它也能避开。这种自主避障无人机由苏黎世大学和英特尔联合开发。具体来说，就是将立体深度摄像头作为眼睛，让无人机可以自己看清障碍物，规划飞行轨迹。配合不同性能的摄像头，还可以自主完成不同的任务。例如，躲避一个迎面撞到你的篮球，就像这样：也很容易完成称为无人机杂技的高难度飞行路径。这么灵活的无人机是怎么教出来的？一对一无人机避障学习传统的无人机自主避障飞行一般是信息处理-制作地图-规划航线的处理方式。但由于无人机搭载的芯片性能有限，如果不及时处理信息，无人机可能会撞到障碍物，引发事故。如果要提高信息处理的速度，最好将这三个步骤合二为一，用机器学习来完成从输入到输出的映射。具体来说，从直接输入传感器信息到输出飞行轨迹，这种处理方式比传统方法要快得多。如上表所示，与传统的FastPlanner和Reactive路径规划方法相比，该算法所需的处理时间更短。虽然Reactive也很快，但它在高速下表现不佳。那么，无人机如何实现传感器输入直接到飞行轨迹的输出映射呢？这里使用卷积网络来模拟训练。仿真中的神经网络训练使用了“专家控制器”（expertcontroller），可以利用3D点云准确估计仿真训练中的环境状态和无人机四旋翼状态。由于模拟训练没有时间限制，“专家控制器”可以更充分地自行训练端到端策略。控制器还使用Metropolis-Hastings(M-H)算法计算轨迹分布以获得多模态导航解决方案。在这个过程中，端到端的策略训练如下图所示：训练有素的“专家控制器”将在现实中教无人机上的“学生控制器”。“学生控制器”跟随“专家控制器”使用的传感器输入被抽象化，以模拟现实世界中不精确的环境数据。传感器输入的真实图像数据将被抽象处理成与模拟环境一致的数据，从而完成训练轨迹在现实中的映射。无人机已经实现了在雪地、火车脱轨、废墟、茂密植被、倒塌建筑等场景下的自主穿越。无人机也可以轻松处理运动模糊、传感器噪声和其他感知伪影等问题。能征服森林的无人机也有它的“禁区”。当然，这款无人机的性能还不够完美。模拟系统无法完全复制到现实世界，总会出现一些现实中无法模拟的突发事件。例如，在低光照和其他影响视力的环境条件下，相机的感知会受到限制。例如，在大雾天气、透明或反光表面，无人机无法准确避开障碍物。专家控制器的训练不包括动态避障，因此高速移动的物体仍将是无人机的主要威胁。对于性能优化，研究人员指出，可以通过简单地使用事件相机而不是传统相机来克服这些视觉限制。能够更快处理环境信息的传感器将是未来高速无人机的配置方向。同时，相关专家还提到，现实世界也有可能成为训练无人机的场所。随着传感器功能和计算机能力的提升，无人机在更复杂环境中的飞行速度很快就会超过每小时40公里。
